Cómo se puede usar el EEG para crear entornos de aprendizaje óptimos

por Dra. Roshini Randeniya

La educación es un pilar fundamental de nuestra sociedad y proporcionar entornos de aprendizaje enriquecedores es esencial para el avance social. La neurociencia educativa es un campo interdisciplinario de rápido desarrollo que tiene como objetivo comprender los mecanismos neuronales de la enseñanza y el aprendizaje.

En las últimas dos décadas, los avances en tecnología de EEG portátil han permitido a los investigadores utilizar cascos de EEG tanto en aulas como en e-learning para crear entornos de aprendizaje óptimos para los estudiantes [1]. En este artículo, analizamos cómo se están utilizando los cascos de EEG de EMOTIV para cambiar cómo enseñamos y aprendemos.

Optimizando el contenido educativo

Diseñar contenido educativo atractivo requiere retroalimentación subjetiva constante por parte de los estudiantes. Tradicionalmente, determinar la efectividad del contenido de un curso se hace a través de medidas de retroalimentación auto-reportadas al finalizar un curso.

Sin embargo, a menudo es difícil aislar exactamente qué aspectos de la entrega del curso se pueden mejorar debido a la dependencia de la memoria subjetiva. Debido a su alta resolución temporal (es decir, su capacidad para medir las respuestas cerebrales en la escala de milisegundos), el EEG puede indexar procesos pre-conscientes, que de otro modo pasarían desapercibidos con simples medidas de auto-informe. Al optimizar el contenido del curso, las métricas más útiles son el nivel de atención y carga cognitiva - una medida de la cantidad de esfuerzo que el cerebro ejerce para retener la información. Atención a menudo se mide analizando diferentes ondas cerebrales observadas en el EEG cuando alguien está aprendiendo - como los niveles de ondas alfa (típicamente asociadas con estar fatigado) y ondas beta (típicamente asociadas con estar alerta o enfocado). La carga cognitiva, una medida más compleja, también se puede indexar con diferentes niveles de ondas alfa y theta.

Los investigadores han desarrollado sistemas con EEG que pueden monitorear la atención, permitiendo evaluar los niveles de atención a lo largo de un curso completo. Zhou et al. demostraron exitosamente un sistema en tiempo real que monitorea la carga cognitiva de estudiantes de e-learning involucrados en Cursos Masivos Abiertos en Línea (MOOCs), lo que allana el camino para optimizar el contenido del curso en tiempo real [2].

Analizando estados cognitivos de manera sencilla

Medir estados cognitivos, como en estos estudios anteriores, puede requerir cierta habilidad técnica y experiencia. Afortunadamente, los avances en ciencia de datos ahora han permitido el uso de algoritmos preconstruidos para medir estados cognitivos, con una experiencia técnica mínima. Emotiv permite el uso de Métricas de Rendimiento: algoritmos de aprendizaje automático desarrollados para identificar diferentes estados cerebrales, incluyendo enfoque, emoción, compromiso, frustración, estrés y relajación en un EEG.

Estos algoritmos se construyen utilizando experimentos controlados diseñados para provocar estados cognitivos específicos y son útiles para optimizar contenido educativo. Estas Métricas de Rendimiento de Emotiv se han utilizado para comparar el aprendizaje basado en juegos con el aprendizaje tradicional en papel, aunque el estudio no mostró diferencia en los estados cognitivos entre los dos métodos de aprendizaje [3]. Otros investigadores han demostrado la utilidad de las Métricas de Rendimiento en agrupar niños tan jóvenes como de 5 a 7 años de edad basándose en estados cognitivos como el compromiso, estrés y enfoque para evaluar la efectividad de las actividades en entornos de realidad aumentada.

Arriba: (A) El EEG puede usarse para medir las ondas cerebrales de estudiantes en un aula de secundaria (de: Dikker et al. [4]). (B) Las ondas cerebrales de los estudiantes pueden mostrar alta sincronicidad con otros estudiantes, lo que se encontró para estudiantes que estaban más comprometidos en clase (izquierda). Baja sincronicidad con otros estudiantes (derecha) se encontró para estudiantes que estaban menos comprometidos.

Mejorando los entornos de aprendizaje

No solo el contenido del material educativo es importante, cuándo y dónde aprendemos son igualmente importantes para asegurar que los estudiantes tengan buenas experiencias de aprendizaje. Los investigadores midieron los niveles de ondas alfa durante diferentes momentos de clase y encontraron que las clases de secundaria a media mañana mostraban menos ondas alfa que las de temprano en la mañana y sugieren que la media mañana puede ser el mejor momento para aprender [4].

Los EEG inalámbricos también se han usado para comparar entornos reales versus virtuales, demostrando la capacidad de proporcionar niveles iguales de atención y motivación en ambos entornos [5]. Esto podría abrir el camino para una experiencia de aprendizaje más rica para personas con discapacidades físicas, incapaces de asistir a clases en persona. Los investigadores también han realizado estudios sobre dinámicas sociales en el aula utilizando EEG. Un grupo de estudiantes equipados con cascos de EEG puede ser evaluado para ver cuán sincronizada está su actividad neuronal durante un proceso de aprendizaje común [6][7]. Este método de colección de datos de EEG, llamado hiperscan de EEG, es un paso hacia la inferencia en tiempo real de la atención grupal y la mejora de las dinámicas sociales en el aula.

Haciendo la educación accesible para todos

Algunas dificultades físicas o sensoriales pueden limitar las experiencias de aprendizaje de los estudiantes en el aula. Sin embargo, hay herramientas basadas en EEG que están mejorando las experiencias de los estudiantes. Los avances en tecnología de Interfaz Cerebro-Computadora (BCI) han permitido la escritura basada en EEG [8][9], que ayuda a los estudiantes con dificultades físicas a tomar notas mentales en su dispositivo de computación mientras aprenden. Las BCI que permiten responder preguntas tipo sí-no basadas en EEG también están permitiendo que estudiantes con discapacidades visuales sean evaluados utilizando exámenes basados en computadora, lo que de otro modo requeriría un entrevistador [10].

Experiencias de aprendizaje personalizadas

Proporcionar tutores personales para los estudiantes puede ser costoso, pero a menudo puede ser necesario cuando el sistema educativo general no está preparado para manejar necesidades únicas en el aprendizaje. Los Sistemas de Tutoría Inteligente (ITS) son una clase de software de aprendizaje basado en computadora respaldado con inteligencia artificial que puede actuar como tutores personales.

El objetivo de estos sistemas es adaptarse y proporcionar retroalimentación personalizada en tiempo real al estudiante para mejorar su aprendizaje. Los investigadores actualmente están avanzando en los sistemas ITS integrándolos con EEG. En un estudio, los investigadores utilizan EEG para detectar el compromiso del estudiante con diferentes tipos de videos educativos (contenido animado vs. videos con docentes humanos), lo que permite que el ITS aprenda y genere automáticamente contenido que al estudiante le resultará más interesante.

Cuando se elimina el elemento humano del proceso de enseñanza, se vuelve cada vez más importante hacer un seguimiento de la carga cognitiva de los estudiantes mientras utilizan programas de aprendizaje basados en computadora para prevenir el estrés y la fatiga visual. Para combatir esto, los investigadores han desarrollado una base de datos de expresiones faciales basada en datos de EEG que detecta activamente si un estudiante estaba aburrido, comprometido, emocionado o frustrado mientras usaba un ITS [11].

Este desarrollo con EEG está abriendo el camino para que el sistema ITS aprenda y se adapte continuamente al estudiante individual; sugiriendo descansos cuando están cansados o continuando la enseñanza cuando están comprometidos, proporcionando una experiencia de aprendizaje más efectiva para el estudiante.

Arriba: Estudiantes en la Universidad de Nueva York (NYU) BrainWaves programa jugando un juego mientras usan tecnología cerebral de EEG EMOTIV.

EEG como herramienta de aprendizaje STEM

Los dispositivos y software de EEG Emotiv son fáciles de usar y son una excelente herramienta introductoria para inspirar a la próxima generación de científicos en ciencia, tecnología, ingeniería y matemáticas (STEM).

Los dispositivos y software Emotiv están siendo utilizados actualmente en cursos de nivel universitario, no solo en psicología y neurociencia sino también en ingeniería biomédica. Kurent demuestra un ejemplo exitoso de integración de los dispositivos Emotiv EPOC en el proceso educativo en niveles de secundaria y universidad para permitir el avance de los dispositivos BCI. Kosmayana et al. encuentran que incluir sistemas EEG-BCI en los planes de estudio escolares mejora el rendimiento académico. La Universidad Macquarie ya ha demostrado la exitosa inclusión de dispositivos Emotiv en su plan de estudios de Bachelor of Cognitive and Brain Sciences, brindando a los estudiantes experiencia práctica con el diseño experimental y el análisis de datos de EEG [14].

Además, White-Foy demuestra que niños tan jóvenes como de 12 años pueden aprender exitosamente tecnología BCI y establecer pequeños proyectos de investigación EEG [13]. Los estudiantes utilizaron recursos en línea para integrar un dispositivo EMOTIV Insight a una Raspberry Pi (una computadora en miniatura) que traduce EEG en comandos para controlar un juguete de Star Wars (el BB-8) y navegarlo a través de un laberinto.

Arriba: NeuroLab de secundaria. Estudiantes de 11 a 18 años integraron Raspberry Pi y robot BB-8 con el dispositivo Emotiv y usaron comandos mentales para navegar BB-8 a través de un laberinto (compartido con permiso de NeuroLabs)

Podemos ver que los dispositivos de EEG Emotiv de bajo costo y móviles no solo proporcionan métodos para mejorar la calidad de los programas educativos que el educador debe ofrecer, sino que junto con los avances en BCI también proponen proporcionar un entorno educativo rico para individuos con necesidades únicas.

Cómo EMOTIV puede ayudar

• Mejore las experiencias de aprendizaje de sus estudiantes con Kits de Inicio de EEG EMOTIV.

• Construya experimentos y analice datos con EmotivPRO Builder.

• Realice experimentos remotos para obtener datos sobre EmotivLABS.

• Utilice nuestro conjunto de datos de código abierto.

¿Necesita ayuda? Contáctenos

 Fuente de la imagen principal: Trevor Day School

Referencias

1. J. Xu y B. Zhong, “Revisión sobre tecnología de EEG portátil en investigación educativa,” Computadoras en Comportamiento Humano, vol. 81, pp. 340–349, abr. 2018, doi: 10.1016/j.chb.2017.12.037.

2. Zhou Y, Xu T, Cai Y, Wu X, Dong B. Monitoreo de la carga cognitiva en videos de aprendizaje en línea a través de una interfaz cerebro-computadora basada en EEG. Lect Notes Comput Sci Subser Lect Notes Artif Intell Lect Notes Bioinforma. 2017;10295 LNCS:64-73. doi:10.1007/978-3-319-58509-3_7

3. Pireva K, Tahir R, Shariq Imran A, Chaudhary N. Evaluación de los estados emocionales de los aprendices mediante el monitoreo de ondas cerebrales para comparar el enfoque de aprendizaje basado en juegos con el aprendizaje en papel. En: 2019 IEEE Fronteras en la Conferencia de Educación (FIE). ; 2019:1-8. doi:10.1109/FIE43999.2019.9097262

4. Dikker S, Haegens S, Bevilacqua D, et al. Cerebro matutino: evidencia neuronal del mundo real de que los horarios de clase en secundaria importan. Soc Cogn Affect Neurosci. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142

5. Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM. Análisis Comparativo de la Densidad Espectral de Potencia Alfa en Entornos Reales y Virtuales. En: Vol 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22

6. Dikker S, Wan L, Davidesco I, et al. La sincronía cerebro-a-cerebro sigue las interacciones dinámicas de grupo en el aula. Curr Biol. 2017;27(9):1375-1380. doi:10.1016/j.cub.2017.04.002

7. Poulsen AT, Kamronn S, Dmochowski J, Parra LC, Hansen LK. EEG en el aula: grabaciones neuronales sincronizadas durante la presentación de videos. Sci Rep. 2017;7(1):43916. doi:10.1038/srep43916

8. Al-Negheimish H, Al-Andas L, Al-Mofeez L, Al-Abdullatif A, Al-Khalifa N, Al-Wabil A. Escritura cerebral: estudio comparativo de P300 e Imaginación Motora para escribir utilizando dispositivos de EEG de electrodos secos. En: Stephanidis C, ed. HCI Internacional 2013 - Resúmenes Ampliados de Pósters. Comunicaciones en Ciencia de Computación e Información. Springer; 2013:569-573. doi:10.1007/978-3-642-39473-7_113

9. Zhang X, Yao L, Sheng QZ, Kanhere SS, Gu T, Zhang D. Convirtiendo tus pensamientos en textos: habilitando la escritura cerebral a través del aprendizaje de características profundas de señales de EEG. En: 2018 IEEE Conferencia Internacional sobre Computación Pervasiva y Comunicaciones (PerCom). ; 2018:1-10. doi:10.1109/PERCOM.2018.8444575

10. Yosrita E, Heryadi Y, Wulandhari LA, Budiharto W. Identificación de palabras basada en EEG en modelos de examen con respuestas de sí-no para estudiantes con discapacidades visuales. En: ; 2019. doi:10.1109/TALE48000.2019.9225903

11. Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. Construyendo un Reconocedor de Expresiones Faciales y una Base de Datos de Expresiones Faciales para un Sistema de Tutoría Inteligente. En: 2017 IEEE 17ª Conferencia Internacional sobre Tecnologías de Aprendizaje Avanzadas (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141

12. Kurent P. Integración de tecnologías futuras en escuelas secundarias y universidades. En: 2017 40ª Convención Internacional sobre Tecnología de la Información y Comunicación, Electrónica y Microelectrónica (MIPRO). ; 2017:858-861. doi:10.23919/MIPRO.2017.7973541

13. White-Foy J. Neurociencia para Estudiantes: un proyecto para introducir la tecnología EEG y de Interfaz Cerebro-Computadora a niños de secundaria. Praxis Teacher Research. Publicado el 29 de noviembre de 2019. Accedido el 15 de junio de 2022. https://praxis-teacher-research.org/neuroscience-for-students/

14. Kosmyna, Nataliya, Nathalie Soetaert, y Cassandra Scheirer. "Un Estudio Piloto sobre el Uso de Interfaces Cerebro-Computadoras en Aulas para Promover Actividades Educativas Formales." Actas de la Conferencia de Tecnologías Futuras. Springer, Cham, 2021.

15. Alvarez, V., Bower, M., de Freitas, S., Gregory, S. y De Wit, B., 2016. El uso de tecnologías portátiles en universidades australianas: Ejemplos de ciencia ambiental, ciencias cognitivas y del cerebro y formación de docentes. Futuros de aprendizaje móvil: manteniendo una investigación y práctica de calidad en aprendizaje móvil, 25.

16. Rodríguez, A.O.R., Riaño, M.A., García, P.A.G., Marín, C.E.M., Crespo, R.G. y Wu, X., 2020. Caracterización emocional de niños a través de un entorno de aprendizaje utilizando análisis de aprendizaje y AR-Sandbox. Journal of Ambient Intelligence and Humanized Computing, 11(11), pp.5353-5367.